پیش آگهی بازگشت تومور مغزی در کودکان با هوش مصنوعی

به گفته اینا ، محققان با استفاده از یک رویکرد آموزش زمانی جدید در “هوش مصنوعی” ، کارآیی سیستم را بسیار بهبود بخشیده اند ، که چندین تصویر را پس از درمان پردازش می کند.

این رویکرد نوید کاهش تصاویر غیر ضروری و اضطراب خانواده ها است. این سیستم به احتمال زیاد مداخله و بیشتر در زمان خطر عود تومور است.

دانشمندان پیش بینی می کنند که آزمایشات بالینی اثربخشی این سیستم را تأیید می کند.

هوش مصنوعی در تشخیص مغز کودکان

“هوش مصنوعی” برای مطالعه مجموعه های پزشکی بسیار ارزشمند است و اغلب مدل هایی یافت می شوند که توسط اومانیست ها نادیده گرفته می شوند. “هوش مصنوعی” پتانسیل بهبود نظارت بر پزشکان برای کودکان مبتلا به گلیوما را دارد.

“گلیوما” نوعی تومور مغزی است که معمولاً قابل درمان است ، اما گاهی اوقات می تواند بعد از درمان تکرار شود.

محققان بیمارستان ماساچوست با همکاری بیمارستان کودکان بوستون و مرکز سرطان دانا-فاربر ، یک سیستم تمرینی عمیق ایجاد کرده اند که مجموعه ای از اسکن های مغزی را که پس از درمان انجام شده است ، بررسی می کند.

این “هوش مصنوعی” برای شناسایی علائم اولیه بازده تومور آموزش دیده است.

چالش پیش بینی عود

دکتر بنیامین خان ، نویسنده و مدیر برنامه هوش مصنوعی ARI (AIM) می گوید: “بسیاری از” فرزندان گلی “فقط با جراحی تحت درمان قرار می گیرند ، اما هنگام تکرار می توانند ناوشکن باشند.

وی افزود: پیش بینی اینکه چه کسی می تواند در معرض خطر عود باشد بسیار دشوار است ، بنابراین بیماران سالهاست که بارها با تصاویر MRI کنترل می شوند. ” این روند می تواند برای کودکان و خانواده ها استرس زا باشد. ما برای شناسایی زودهنگام بیمارانی که بیشترین خطر عود را دارند ، به ابزارهای بهتری نیاز داریم.

تلاش عمومی برای آموزش هوش مصنوعی

از آنجا که سرطانهای کودکان نسبتاً نادر هستند ، مطالعاتی از این دست به دلیل داده های محدود اغلب به چالش کشیده می شوند. محققان برای غلبه بر این مشکل و جمع آوری مجموعه ای از داده ها که شامل 2 اسکن MRI از 5 کودک است ، با موسسات ایالات متحده همکاری می کنند.

آنها از رویکردی برای “زمان یادگیری” برای استفاده از این داده ها تا حد امکان استفاده کردند. این رویکرد به “هوش مصنوعی” می آموزد که با بررسی چگونگی تغییر اسکن مغز کودک در دوره پس از تعقیب ، مدل ها را تشخیص دهد و توانایی خود را در پیش بینی عود بهبود بخشد.

زمان مطالعه در تصاویر پزشکی

معمولاً مدلهای هوش مصنوعی معمولاً برای تصاویر پزشکی و نتیجه گیری از اسکن های فردی آموزش داده می شوند. این سیستم ممکن است الگوریتم عود سرطان را با رویکرد “زمان یادگیری” پیش بینی کند.

برای اولین بار ، محققان این مدل را آموختند تا رویکرد “زمان یادگیری” را برای سازماندهی اسکن NMR بعد از عمل برای یافتن تغییرات کوچک توسعه دهند. محققان سپس تنظیمات مدل را برای تنظیم تغییرات با تکرار سرطان به روز کردند.

افزایش دقت در زمان یادگیری

سرانجام ، محققان دریافتند که مدل آموزش موقت عود چسب کم یا زیاد را تا یک سال پس از درمان پیش بینی می کند ، با دقت 2 ٪ تا 5 ٪.

تصاویر پس از درمان “هوش مصنوعی” ، دقت پیش آگهی سیستم را افزایش می دهد.

به کاربرد بالینی و آزمایش های آینده

محققان می گویند اعتبار بیشتر در تنظیمات این سیستم قبل از کاربرد بالینی ضروری است.

آنها امیدوارند که آزمایش های بالینی را شروع کنند تا بررسی کنند که پیش بینی های هوش مصنوعی می توانند مراقبت را بهبود بخشند. این پیش آگهی می تواند با کاهش فراوانی تصاویر برای بیماران کمخوانده یا با درمان پیشگیرانه بیماران پرخطر ، مراقبت را بهبود بخشد.

پتانسیل گسترده هوش مصنوعی

Divyanshu Tak ، یک مطالعه ارشد در بیمارستان عمومی ماساچوست می گوید: “ما نشان داده ایم که” هوش مصنوعی “قادر به به طور مؤثر و پیش بینی چندین تصویر است.” این تکنیک می تواند در بسیاری از محیط هایی که بیماران تصاویر متعدد و سازگار ایجاد می کنند ، اعمال شود و ما از دیدن این پروژه هیجان زده هستیم.

این یافته ها در مجله پزشکی New England AI منتشر شد.

پایان پیام